این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی بیوسیستم ایران، جلد ۵۲، شماره ۲، صفحات ۱۹۷-۲۰۹
عنوان فارسی کاربرد مدلهای شبکه عصبی مصنوعی (MLP و RBF) و ماشین بردار پشتیبان (SVM) به منظور تخمین میزان سایه در جمع‌کننده‌های خورشیدی صفحه تخت در ایران
چکیده فارسی مقاله در این تحقیق از مدل‌ شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان به‌منظور تخمین میزان سایه در جمع کننده‌ صفحه تخت خورشیدی با توجه به شرایط جغرافیایی ایران استفاده شد. دو نوع الگوریتم آموزش LM و BR همراه با تابع انتقال تانژانت سیگموئیدی و تعداد متنوعی از نورون­ها در لایه پنهان همراه با مدل اعتبارسنجی تقاطعی به منظور ایجاد مجموعه داده‌های تصادفی مورد استفاده قرار گرفت. نتایج نشان داد که مدل MLP با الگوریتم آموزشی BR و ساختار (1-23-5) می‌تواند داده‌هایی با دقت بالا و شبیه به مقادیر واقعی ایجاد کند. میانگین آماره­های MAPE و R2 برای مدل فوق به ترتیب 10/0±42/0 درصد و 01/0±99/0، برآورد شد و نتایج آماری مقایسه میانگین، واریانس و توزیع آماری در سطح احتمال 95% بین داده‌های واقعی و مقادیر پیش‌بینی شده، معنی‌دار نبودند. نتایج آنالیز حساسیت نشان داد که فاصله صفحه جاذب تا پوشش شیشه‌ای مهم‌ترین فاکتور تاثیرگذار بر ایجاد سایه است.
کلیدواژه‌های فارسی مقاله هوش مصنوعی،مدل اعتبارسنجی تقاطعی،بازده انرژی،
عنوان انگلیسی Application of Artificial Neural Network Models (MLP and RBF) and Support Vector Machine (SVM) to Estimate the Shadow in Flat-plate Solar Collectors in Iran
چکیده انگلیسی مقاله In this study, the amount of shadow in different types of flat-plate solar collectors according to the geographical conditions of Iran was estimated by using artificial neural network models (MLP and RBF) and Support Vector Machine (SVM). In this study, two types of LM and BR training algorithms with sigmoid tangent transfer function (TanSig) and different number of neurons in a hidden layer with k-fold cross validation method were used to create random datasets at each stage of modeling. The results showed that the MLP model with BR training algorithm and (5-23-1) structure, can create high-precision data similar to real values. The average MAPE and R2 statistics for the above model were estimated to be 0.42 ± 0.10 and 0.99±0.01, respectively. Also, there was no significant difference between the actual data and the predicted values (95% probability) at mean, variance and distribution. The results of sensitivity analysis showed that the distance of the absorber plate and the glass cover is the most important factor influencing the formation of shadows.
کلیدواژه‌های انگلیسی مقاله هوش مصنوعی,مدل اعتبارسنجی تقاطعی,بازده انرژی
نویسندگان مقاله مرتضی تاکی |
گروه مهندسی ماشینهای کشاورزی و مکانیزاسیون-دانشگاه علوم کشاورزی و منابع طبیعی خوزستان-ملاثانی

روح اله فرهادی |
گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی

نشانی اینترنتی https://ijbse.ut.ac.ir/article_81909_d310aa55651f79f910f6f67e58804e02.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات